因果约束机器学习框架提升生态系统呼吸(TER)估算的可靠性与时空泛化能力

针对陆地生态系统呼吸(TER)估算模型跨区域泛化能力不足的问题，研究人员创新性地将XGBoost机器学习与PCMCI因果推断技术结合，构建因果约束框架。该框架虽仅小幅提升估算精度(ΔrMAE≈3～5%)，但显著优化了模型生态机制，使常绿阔叶林、稀树草原等生态系统的外推任务误差降至14%，揭示了植被结构参数(如聚集指数、非光合植被覆盖)对TER的负向影响，为碳循环模型开发提供新范式。

　　

在全球碳循环研究中，陆地生态系统呼吸（TER）作为二氧化碳排放的关键过程，其精确估算直接影响气候变化预测和碳中和政策制定。然而，现有TER模型面临两大困境：传统温度敏感性框架（如Q₁₀模型）难以捕捉不同生物群落间的呼吸机制差异，而纯数据驱动的机器学习模型虽精度较高，却因观测站点分布不均导致外推结果不可靠。这种"精度与泛化不可兼得"的现状，严重制约了全球碳通量评估的可靠性。

为解决这一难题，中国科学院的研究团队在《Agricultural and Forest Meteorology》发表创新成果，首次将因果推断技术PCMCI（Peter-Clark Momentary Conditional Independence）与XGBoost算法融合，开发出因果约束的TER估算框架。该研究基于FLUXNET 2015数据集，通过PCMCI量化了空气温度、植被结构参数等21个变量对TER的因果效应，并以此重构XGBoost的损失函数。结果显示，该框架不仅使常绿阔叶林（EBF）等生态系统的外推误差降至14%，更揭示了聚集指数（clumping index）和非光合植被覆盖对TER的负向调控作用——这一发现挑战了传统温度主导范式，为日间呼吸抑制机制研究开辟新方向。

关键技术方法包括：1) 基于FLUXNET 2015的全球通量塔数据构建多PFTs样本集；2) 采用PCMCI+算法解析TER驱动因子的因果网络；3) 开发因果权重约束模块嵌入XGBoost训练流程；4) 通过SHAP值分析和时空外推验证模型机制合理性。

【因果关系解析】PCMCI定量识别出空气温度在寒带森林（ENF、DBF）中的主导作用（因果效应>0.4），而在热带草原则发现降水与LAI（叶面积指数）的协同调控，证实了植被结构参数在TER时空变异中的普适性贡献。

【模型性能验证】因果约束模型在训练集上仅小幅提升精度（rMAE降低3-5%），但在外推测试中表现突出：EBF和稀树草原站点误差较传统模型降低28%，且特征重要性排序与生态理论高度一致。

【机制新发现】温度敏感性分析揭示TER-Q₁₀呈单峰曲线，而聚集指数在落叶阔叶林（DBF）中的贡献度达19%，暗示冠层结构通过光调控影响呼吸底物供应。这些发现推动了对"植被结构-呼吸过程"耦合机制的认识。

该研究的突破性在于首次实现TER估算模型"数据驱动"与"机制约束"的有机统一。通过将PCMCI识别的因果拓扑转化为机器学习模型的先验知识，既保留了XGBoost处理非线性关系的优势，又规避了"相关非因果"的建模陷阱。特别值得注意的是，研究提出的框架具有普适性——其因果约束模块可迁移至其他生态过程建模，为地球系统模型参数化提供新思路。正如作者Cenliang Zhao在讨论中指出，未来若能将白昼呼吸抑制参数纳入模型，有望进一步破解热带森林碳通量的"正午凹陷"之谜。这项成果不仅为TER估算树立新标准，更启示学界：在环境建模中，因果关系的正确性可能比单纯精度提升更具科学价值。